GARCHM_LLF - Función de log­-verosimilitud GARCHM

Calcula la función de verosimilitud para el modelo ajustado GARCH-M.

Sintaxis

GARCHM_LLF(X, Order, mean, lambda, alphas, betas, innovation, v)

X son los datos de serie de tiempo univariante (una matriz unidimensional de celdas (Ej. filas o columnas)).

Order es el orden de tiempo en la serie de datos (Ej. El primer punto corresponde a la fecha (la más temprana fecha=1 (por defecto), la última fecha=0)).

Orden Descripición
1 ascendente (El primer punto corresponde a la fecha más temprana (por defecto)
0 descendente (El primer punto corresponde ala última fecha)

mean es la media del modelo GARCH-M (Ej. mu).

lambda es la media del coeficiente de volatilidad. En finanzas, lambda hace referencia a una prima de riesgo.

alphas son los parámetros de (p) modelo de componente ARCH (comenzando con el lag más bajo).

betas son los parámetros de (q) modelo de componente GARCH(q)(comenzando con el lag más bajo).

innovation es el modelo de distribución de probabilidad para los residuales (1=Gaussiana (por defecto), 2=t-Distribución, 3=GED).

valor Descripción
1 Distribución normal o Gaussiana(por defecto)
2 Distribución t del estudiante
3 Distribución de error generalizada (GED)

v es la forma del parámetro (o grados de libertad) de los residuales/innovations de la función de la distribución de probabilidad.

Observaciones

  1. El modelo subyacente se describe aquí.
  2. La función de probabilidad logarítmica ( LLF ) se describe aquí.
  3. La series de tiempo son homogéneas e igualmente espaceadas.
  4. Las series de tiempo pueden incluir valores faltantes (Ej. #N/A) en cada extremo.
  5. La máxima estimación de verosimilitud estimada (MLE) es un método estadístico para ajustar un modelo a los datos y proveer estimados para los párametros del modelo.
  6. El número de parámetros en los argumentos de entrada - alpha - determina elorden del modelo componente ARCH.
  7. El número de parámetros en los argumentos de entrada - beta - determina el orden del modelo componente GARCH.

Ejemplos

Ejemplo 1:

 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
A B C D
Fecha Data    
Enero 10, 2008 -2.827 GARCH-M(1,1)  
Enero 11, 2008 -0.947 Mean -0.076
Enero 12, 2008 -0.877 Lambda 0.145
Enero 14, 2008 1.209 Alpha_0 0.593
Enero 13, 2008 -1.669 Alpha_1 0.000
Enero 15, 2008 0.835 Beta_1 0.403
Enero 16, 2008 -0.266    
Enero 17, 2008 1.361    
Enero 18, 2008 -0.343    
Enero 19, 2008 0.475    
Enero 20, 2008 -1.153    
Enero 21, 2008 1.144    
Enero 22, 2008 -1.070    
Enero 23, 2008 -1.491    
Enero 24, 2008 0.686    
Enero 25, 2008 0.975    
Enero 26, 2008 -1.316    
Enero 27, 2008 0.125    
Enero 28, 2008 0.712    
Enero 29, 2008 -1.530    
Enero 30, 2008 0.918    
Enero 31, 2008 0.365    
Febrero 1, 2008 -0.997    
Febrero 2, 2008 -0.360    
Febrero 3, 2008 1.347    
Febrero 4, 2008 -1.339    
Febrero 5, 2008 0.481    
Febrero 6, 2008 -1.270    
Febrero 7, 2008 1.710    
Febrero 8, 2008 -0.125    
Febrero 9, 2008 -0.940    


  Fórmula Descripción (Resultado)
  =GARCHM_LLF($B$2:$B$32,1,$D$3,$D$4,$D$5:$D$6,$D$7) Log-Likelihood Function for Guassian Distribution (-45.482)
  =GARCHM_LLF($B$2:$B32,1,$D$3,$D$4,$D$5:$D$6,$D$7,2,5) Log-Likelihood Function for t-Distribution when v = 5 (-49.122)
  =GARCHM_LLF($B$2:$B32,1,$D$3,$D$4,$D$5:$D$6,$D$7,3,2) Log-Likelihood Function for GED when v = 2 (-45.482)
  =GARCHM_AIC($B$2:$B$32,1,$D$3,$D$4,$D$5:$D$6,$D$7) Akaike's information criterion (96.964)
  =GARCHM_CHECK($D$3,$D$4,$D$5:$D$6,$D$7) The GARCH-M(1,1) model is stable? (1)

Ejemplos de archivos

Referencias

¿Tiene más preguntas? Enviar una solicitud

0 Comentarios